基于自组织深度模糊神经网络的水环境水质预测方法技术

本发明专利技术属于人工智能驱动的复杂动态系统模型表征和状态预测技术领域，涉及基于自组织深度模糊神经网络的水环境水质预测方法，包括：获取原始数据，获得待处理的任务样本数据，通过互信息分析和统计方法对水质与相关变量间的相关性进行度量，选取与水质具有较大相关性的辅助变量；根据辅助变量与水质的对应关系，构建基于深度模糊神经网络的水环境水质预测模型，通过有效特征对水质预测模型进行训练，进而获得具有水环境水质状态学习能力的预测模型；获取待测水质数据，输入基于深度模糊神经网络的水环境水质预测模型进行测试，获得预测结果；通过不同评价指标对基于深度模糊神经网络水环境水质预测模型进行性能评估。

【技术实现步骤摘要】

本专利技术属于人工智能驱动的复杂动态系统模型表征和状态预测，尤其涉及基于自组织深度模糊神经网络的水环境水质预测方法。

技术介绍

1、水环境水质预测关系经济社会可持续发展和生态文明建设成效，已成为世界各国关注的焦点问题。在河流污水和城市污水中，磷是引起水体富营养化，导致藻类大量繁殖和影响水质的重要因素，总磷浓度是反映污水处理出水水质的关键指标，对此，我国制定了非常严格的总磷浓度排放标准。因此，为提高水环境水质管理系统智能化运行水平，使水环境水质预测过程处于良好的运行工况并获得达标的出水水质，实现对水环境总磷状态预测具有重要的理论意义和应用价值。与此同时，国家对水环境总磷排放高标准和严要求给现有的水环境水质管理与预测带来了新的挑战：(1)现有的人工神经网络软测量模型大多数采用浅层结构，在面对水环境多要素复杂动态系统时，无法完成对总磷及其相关变量进行有效状态感知和特征提取的任务，导致预测模型对总磷状态的动态感知能力下降；(2)水环境动态演化过程蕴含着人的行为与决策，总磷的预测需要大量专家经验和知识来表征，而单一的神经网络缺乏对动态经验和知识的多重表征与融合能力，本文档来自技高网...

【技术保护点】

1.基于自组织深度模糊神经网络的水环境水质预测方法，其特征在于，包括：

2.如权利要求1所述的基于自组织深度模糊神经网络的水环境水质预测方法，其特征在于，通过互信息分析和统计方法对水质与相关变量间的相关性进行度量的方法包括：给定两个随机变量X和Y，假设两个随机变量X和Y的边缘概率分布和联合概率分布分别是P(x)，P(y)和P(x,y)，则两变量间的互信息I(X,Y)为：

3.如权利要求1所述的基于自组织深度模糊神经网络的水环境水质预测方法，其特征在于，根据所述辅助变量与水质的对应关系，构建初始基于深度模糊神经网络水环境水质预测模型的方法包括：</p>

4.如权...

【技术特征摘要】

1.基于自组织深度模糊神经网络的水环境水质预测方法，其特征在于，包括：

2.如权利要求1所述的基于自组织深度模糊神经网络的水环境水质预测方法，其特征在于，通过互信息分析和统计方法对水质与相关变量间的相关性进行度量的方法包括：给定两个随机变量x和y，假设两个随机变量x和y的边缘概率分布和联合概率分布分别是p(x)，p(y)和p(x,y)，则两变量间的互信息i(x,y)为：

3.如权利要求1所述的基于自组织深度模糊神经网络的水环境水质预测方法，其特征在于，根据所述辅助变量与水质的对应关系，构建初始基于深度模糊神经网络水环境水质预测模型的方法包括：

4.如权利要求3所述的基于自组织深度模糊神经网络的水环境水质预测方法，其特征在于，对所述预训练后的单隐含层的深度信念网络模型增加神经元的方法为：增加两倍于初始dbn隐含层神经元数量的神经元，新的权值参数矩阵变为定义如下映射f:

5.如权利要求3所述的基于自组织深度模糊神经网络的水环境水质预测方法，其特征在于，...

【专利技术属性】
技术研发人员：王功明，李欣怡，赵泽豪，陈红，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：